一种新的母体甲状腺疾病预测,使用多尺度视觉转换器架构,改进了语言对冲,神经模糊分类器

科学领域:

• 内分泌学 在内分泌学.
• 医疗成像医学成像
• 人工智能的人工智能

背景情况:

• 怀孕早期的甲状腺功能评估对母亲的健康至关重要.
• 负载特定的参考范围是有益的,但需要精确的分类.
• 目前的诊断技术通常使用小数据集,缺乏验证.

研究的目的:

• 调查使用多重早期怀孕血液样本是否会改变母体甲状腺功能分类.
• 开发一种甲状腺结节自动分类系统.
• 为了提高诊断准确度,对于像哈西莫托的甲状腺炎这样的疾病.

主要方法:

• 采用了一种具有图像增强 (图形均等) 的多尺度视觉变压器.
• 一个增强的语言覆盖神经模糊分类器被用于特征选择和诊断.
• 使用了508张甲状腺结节图像的数据集,训练/验证间隔为80/20和70/30.

主要成果:

• 训练代的最佳数量被发现是500次.
• 后勤功能被证明是最有效的激活功能.
• 为了分类,理想的网络结构被确定为2500-40-2-1.

结论:

• 拟议的方法证明了增强的有效性,通过K-fold交叉验证进行验证.
• 该系统可以预测各种甲状腺疾病,包括自身免疫和哈西莫托的甲状腺炎.
• 该研究强调了特征工程和优化网络参数对于准确的甲状腺诊断的重要性.